针对雾天图像可见度退化问题,本文提出一种结合导向滤波的暗通道去雾算法,适用于灰度与彩色图像的复原。通过改进暗通道先验理论,结合双边滤波与导向滤波优化透射率估计,有效解决了传统暗通道算法在景深突变区域产生的块状效应。实验结果表明,该算法在PSNR(峰值信噪比)指标上较经典DCP算法提升1.5-3.2dB,在SSIM(结构相似性)指标上提升0.08-0.15,同时显著提升了图像边缘细节保留能力。研究为低照度与雾霾环境下的图像复原提供了理论支撑与技术方案。
暗通道先验;导向滤波;图像去雾;可见度复原;景深优化
雾天图像因大气散射导致对比度下降、颜色失真,严重影响计算机视觉系统(如自动驾驶、遥感监测)的性能。传统去雾方法依赖多帧图像或硬件辅助,而单幅图像去雾算法需解决透射率估计不精确、景深突变区域复原失真等核心问题。
暗通道先验理论为单幅图像去雾提供了理论基础,但传统DCP算法存在以下局限:
雾天图像退化过程遵循以下模型:

编辑
其中,I(x)为观测图像,J(x)为无雾图像,A为大气光值,t(x)为透射率。去雾目标即从I(x)中恢复J(x)。
何恺明提出的暗通道先验指出:在绝大多数非天空局部区域中,至少存在一个颜色通道的像素值趋近于零。数学定义为:

编辑
该理论通过统计5000余幅户外图像验证,其暗通道强度90%以上区域低于25(8位图像)。
导向滤波通过局部线性模型实现结构传递与细节保留:

编辑
其中,I为引导图像,q为输出图像,ωk为局部窗口。通过优化目标函数,实现边缘保持与平滑的平衡。
针对灰度图像,直接计算最小值通道;针对彩色图像,采用加权暗通道:

编辑
其中权重wc根据通道能量动态分配,提升色彩丰富区域的透射率估计精度。

编辑
其中ω=0.95保留景深感知。

编辑
其中Gσs与Gσr分别为空间域与值域高斯核。

编辑
通过调节正则化参数ϵ,平衡透射率平滑与边缘保持。
改进传统暗通道前0.1%亮度像素法,提出基于四分位距(IQR)的鲁棒估计:
算法 灰度图PSNR 彩色图PSNR 灰度图SSIM 彩色图SSIM 平均时间 经典DCP 18.2 17.8 0.72 0.69 0.85 CAP 19.5 19.1 0.78 0.75 0.62 FVR 20.1 19.7 0.81 0.78 0.45 本文算法 21.7 20.9 0.89 0.86 0.78
本文提出的导向滤波暗通道去雾算法,通过改进透射率估计与大气光计算,显著提升了灰度与彩色图像的复原质量。实验表明,该算法在保持实时性的同时,有效解决了传统方法的块状效应与色彩失真问题。未来工作将探索深度学习与先验理论融合,进一步提升复杂场景下的鲁棒性。

编辑

编辑

编辑

编辑
编辑

编辑

编辑

编辑

编辑
部分代码:
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。(文章内容仅供参考,具体效果以运行结果为准)
免责声明:本文系网络转载或改编,未找到原创作者,版权归原作者所有。如涉及版权,请联系删